CN111383191B - 用于血管断裂修复的图像处理方法及装置 - Google Patents
用于血管断裂修复的图像处理方法及装置 Download PDFInfo
- Publication number
- CN111383191B CN111383191B CN201911271874.XA CN201911271874A CN111383191B CN 111383191 B CN111383191 B CN 111383191B CN 201911271874 A CN201911271874 A CN 201911271874A CN 111383191 B CN111383191 B CN 111383191B
- Authority
- CN
- China
- Prior art keywords
- vessel segmentation
- vessel
- segmentation result
- blood vessel
- adaptive threshold
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000008439 repair process Effects 0.000 title claims abstract description 27
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 230000002792 vascular Effects 0.000 title claims abstract description 20
- 230000011218 segmentation Effects 0.000 claims abstract description 273
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 124
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 230000003044 adaptive effect Effects 0.000 claims description 39
- 238000010586 diagram Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 5
- 206010053649 Vascular rupture Diseases 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种用于血管断裂修复的图像处理方法及装置、电子设备及可读存储介质。该方法包括：基于预测模型，输出血管分割预测概率图；根据所述血管分割预测概率图中体素的自适应阈值，获取血管分割自适应阈值图；将所述血管分割预测概率图与所述血管分割自适应阈值图进行比较，以得到第一血管分割结果；基于连通区域分析对所述第一血管分割结果进行处理，以得到第二血管分割结果。本申请解决了相关技术中的血管分割方法由于基于全局阈值进行血管分割导致容易出现血管分割断裂的技术问题。通过本申请，达到了基于自适应阈值进行血管分割的目的，从而实现了对断裂血管进行修复，提高血管分割准确率的技术效果。
Description
技术领域
本申请涉及医疗影像技术领域，具体而言，涉及一种用于血管断裂修复的图像处理方法及装置、电子设备及可读存储介质。
背景技术
阈值分割算法的关键是确定阈值，如果能确定一个合适的阈值就可准确地将图像分割开来。阈值确定后，将阈值与像素点的灰度值逐个进行比较，而且像素分割可对各像素并行地进行，分割的结果直接给出图像区域。阈值分割的优点是计算简单、运算效率较高、速度快，在重视运算效率的应用场合(如用于硬件实现)，它得到了广泛应用。相关技术中已经出现了各种各样的阈值处理技术，包括全局阈值、自适应阈值、最佳阈值等等。全局阈值是指整幅图像使用同一个阈值做分割处理，适用于背景和前景有明显对比的图像。自适应阈值，是指利用图像局部阈值替换全局阈值进行图像计算的一种方法，具体针对光影变化过大的图片，或者范围内颜色差异不太明显的图片。自适应是指保证计算机能够通过判断和计算取得该图像区域的平均阈值进行迭代。
在医疗影像分析中，血管分割是各类病理分析的重要基础。基于深度学习的方法进行血管预测并使用全局阈值进行血管分割是当前的主流方法，该方法相较于传统血管分割方法不仅效果好而且性能鲁棒。然而目前基于全局阈值分割的深度学习后处理方法都普遍存在血管分割断裂的情况，血管分割断裂严重影响了后期处理效果和病理分析。
针对相关技术中的血管分割方法由于基于全局阈值进行血管分割导致容易出现血管分割断裂的问题，目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种用于血管断裂修复的图像处理方法及装置、电子设备及可读存储介质，以解决相关技术中的血管分割方法由于基于全局阈值进行血管分割导致容易出现血管分割断裂的问题。
为了实现上述目的，根据本申请的第一方面，提供了一种用于血管断裂修复的图像处理方法。
根据本申请的用于血管断裂修复的图像处理方法包括：基于预测模型，输出血管分割预测概率图；根据所述血管分割预测概率图中体素的自适应阈值，获取血管分割自适应阈值图；将所述血管分割预测概率图与所述血管分割自适应阈值图进行比较，以得到第一血管分割结果，其中所述第一血管分割结果作为初分割结果；基于连通区域分析对所述第一血管分割结果进行处理，以得到第二血管分割结果，其中所述第二血管分割结果作为最终分割结果。
进一步地，所述根据所述血管分割预测概率图中体素的自适应阈值，获取血管分割自适应阈值图包括：分别以所述血管分割预测概率图中的每个所述体素为中心，计算每个所述体素对应的预设区域内的平均灰度值；将每个所述体素对应的平均灰度值与预设阈值进行比较，以得到所述血管分割自适应阈值图。
进一步地，所述将所述血管分割预测概率图与所述血管分割自适应阈值图进行比较，以得到第一血管分割结果包括：将所述血管分割预测概率图与所述血管分割自适应阈值图进行逐体素比较；根据比较结果，将所述血管预测概率图中的体素分别标记为血管体素或背景体素，以作为所述第一血管分割结果。
进一步地，所述基于连通区域分析对所述第一血管分割结果进行处理，以得到第二血管分割结果包括：将所述第一血管分割结果根据血管区域连通性划分成多个连通区域；根据每个所述连通区域的体积对多个所述连通区域进行排序，以确定最大连通区域；将所述最大连通区域中的体素设置为血管体素，并将所述最大连通区域以外的其余连通区域中的体素设置为背景体素，以得到所述第二血管分割结果。
进一步地，所述对所述第一血管分割结果进行连通区域分析，以得到第二血管分割结果之后包括：将所述血管分割预测概率图进行全局阈值分割，以得到血管分割全局阈值图；将所述第二血管分割结果与所述血管分割全局阈值图进行比较，以确定所述第二血管分割结果中的新增血管段。
进一步地，所述基于连通区域分析对所述第一血管分割结果进行处理，以得到第二血管分割结果之后包括：根据所述第二血管分割结果，获取新增血管段；对所述新增血管段的端点进行分析，以得到断裂血管段和末端分支血管段；将所述末端分支血管段在所述第二血管分割结果中移除，以得到血管断裂修复结果。
为了实现上述目的，根据本申请的第二方面，提供了一种用于血管断裂修复的图像处理装置。
根据本申请的用于血管断裂修复的图像处理装置包括：输出模块，用于基于预测模型，输出血管分割预测概率图；第一获取模块，用于根据所述血管分割预测概率图中体素的自适应阈值，获取血管分割自适应阈值图；第一比较模块，用于将所述血管分割预测概率图与所述血管分割自适应阈值图进行比较，以得到第一血管分割结果，其中所述第一血管分割结果作为初分割结果；处理模块，用于基于连通区域分析对所述第一血管分割结果进行处理，以得到第二血管分割结果，其中所述第二血管分割结果作为最终分割结果。
进一步地，所述第一获取模块包括：计算单元，用于分别以所述血管分割预测概率图中的每个所述体素为中心，计算每个所述体素对应的预设区域内的平均灰度值；第一比较单元，用于将每个所述体素对应的平均灰度值与预设阈值进行比较，以得到所述血管分割自适应阈值图。
为了实现上述目的，根据本申请的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如前所述的方法。
为了实现上述目的，根据本申请的第四方面，提供了一种非暂态可读存储介质，其上存储有计算机指令，所述指令被处理器执行时实现如前所述方法的步骤。
在本申请实施例中，采用基于预测模型，输出血管分割预测概率图；根据所述血管分割预测概率图中体素的自适应阈值，获取血管分割自适应阈值图；将所述血管分割预测概率图与所述血管分割自适应阈值图进行比较，以得到第一血管分割结果的方式，通过基于连通区域分析对所述第一血管分割结果进行处理，以得到第二血管分割结果，达到了基于自适应阈值进行血管分割的目的，从而实现了对断裂血管进行修复，提高血管分割准确率的技术效果，进而解决了相关技术中的血管分割方法由于基于全局阈值进行血管分割导致容易出现血管分割断裂的技术问题。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请第一实施例的用于血管断裂修复的图像处理方法的流程示意图；
图2是根据本申请第二实施例的用于血管断裂修复的图像处理方法的流程示意图；
图3是根据本申请第三实施例的用于血管断裂修复的图像处理方法的流程示意图；
图4是根据本申请第四实施例的用于血管断裂修复的图像处理方法的流程示意图；
图5是根据本申请第五实施例的用于血管断裂修复的图像处理方法的流程示意图；
图6是根据本申请第六实施例的用于血管断裂修复的图像处理方法的流程示意图；
图7是根据本申请实施例的用于血管断裂修复的图像处理装置的组成结构示意图；以及
图8是根据本申请实施例的电子设备的组成结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
根据本发明实施例，提供了一种用于血管断裂修复的图像处理方法，如图1所示，该方法包括如下的步骤S101至步骤S104：
步骤S101，基于预测模型，输出血管分割预测概率图。
相较于传统的血管分割方法，基于深度学习模型的血管分割不仅效果好而且性能鲁棒，因此广泛应用于现阶段的各类血管分割中。本申请在具体实施时，使用了深度学习模型如卷积神经网络模型等对原始血管影像图进行特征提取，并在模型的末端使用sigmoid函数来获取深度学习模型对原始血管影像中每个体素预测为血管的前景概率值，进而可以得到和原始输入影像图一样大小的预测概率图，预测概率图中的每个体素表示原始血管影像对应体素预测为血管的概率值。
步骤S102，根据所述血管分割预测概率图中体素的自适应阈值，获取血管分割自适应阈值图。
不同于传统的全局阈值分割方法，本申请实施例在每个体素处使用不同的自适应阈值进行血管分割。自适应阈值方法能够有效恢复出深度学习预测概率图中一些属于血管但是预测概率较低的体素，这些体素的预测概率通常高于周围的体素但低于传统方法中的全局阈值。基于全局阈值分割方法中的血管断裂处的体素通常属于上述低概率体素。因此本申请通过自适应阈值方法能够有效恢复出全局阈值方法中断裂处的血管。
具体实施时，根据每个体素对应不同的自适应阈值，进而得到血管分割自适应阈值图。
步骤S103，将所述血管分割预测概率图与所述血管分割自适应阈值图进行比较，以得到第一血管分割结果，其中所述第一血管分割结果作为初分割结果。
具体实施时，利用上述得到的血管分割自适应阈值图，可以将血管预测概率图转换为血管分割结果。通过逐体素将血管预测概率图和自适应阈值图进行比较，将血管预测概率图中高于自适应阈值图的对应体素设置为血管体素，否则置为背景体素，由于基于阈值的血管分割会带来较多的细小的非连通的区域噪声及多余的末端分支血管，因此本阶段生成的血管分割结果仅作为血管初分割结果，后期将进行进一步的处理。
步骤S104，基于连通区域分析对所述第一血管分割结果进行处理，以得到第二血管分割结果，其中所述第二血管分割结果作为最终分割结果。
具体实施时，在上述得到的血管初分割结果中，存在较多的细小的非连通的区域噪声，这严重干扰了血管分割效果，考虑到器官中的血管应该是连通且唯一的，且在血管粗分割结果中占据主导地位，因此可以采用连通区域分析方法对上述血管初分割结果进行处理，剔除上述噪声，进而得到血管精细分割结果即最终分割结果。连通区域(ConnectedComponent)一般是指图像中具有相同像素值且位置相邻的前景像素点组成的图像区域(Region，Blob)。连通区域分析(Connected Component Analysis,Connected ComponentLabeling)是指将图像中的各个连通区域找出并标记。
本申请通过上述过程，达到了根据自适应阈值进行血管分割的目的，同时对于自适应阈值引入的噪声通过连通区域分析等方法进行剔除，实现了对血管进行精准分割的效果。
作为本申请实施例的一种优选实施方式，如图2所示，所述根据所述血管分割预测概率图中体素的自适应阈值，获取血管分割自适应阈值图包括如下的步骤S201至步骤S202：
步骤S201，分别以所述血管分割预测概率图中的每个所述体素为中心，计算每个所述体素对应的预设区域内的平均灰度值。
具体实施时，在获取血管分割自适应阈值图Ti，j，k时，首先需要在血管预测概率图中的每个体素Pi，j，k处，以该体素为中心并计算其大小为x，y，z的局部区域的灰度均值μi，j，k。
步骤S202，将每个所述体素对应的平均灰度值与预设阈值进行比较，以得到所述血管分割自适应阈值图。
具体实施时，为了防止血管分割中大量背景区域的干扰，还需要将该均值μi，j，k和一个固定的阈值下界l进行比较，取两者中的较大值。此外为了保证血管预测概率图中的概率值较高的体素分割为血管，还需要将该均值μi，j，k和一个固定的阈值上界h进行比较，取两者中的较小值，最终即可得到自适应阈值图Ti，j，k。上述算法的数学化形式如下：
Ti，j，k＝min(max(μi，j，k，l)，h)
作为本申请实施例的一种优选实施方式，如图3所示，所述将所述血管分割预测概率图与所述血管分割自适应阈值图进行比较，以得到第一血管分割结果包括如下的步骤S301至步骤S302：
步骤S301，将所述血管分割预测概率图与所述血管分割自适应阈值图进行逐体素比较。
具体实施时，在根据血管分割预测概率图和血管分割自适应阈值图得到血管初分割结果时，首先需要将血管分割预测概率图和血管分割自适应阈值图进行逐体素比较。
步骤S302，根据比较结果，将所述血管预测概率图中的体素分别标记为血管体素或背景体素，以作为所述第一血管分割结果。
具体实施时，如果血管预测概率图中某一体素的灰度值高于自适应阈值图中对应的体素的灰度值，则将血管预测概率图中的该体素标记为血管体素，反之，则将该体素标记为背景体素，将所有体素全部标记完成即得到上述血管初分割结果。
作为本申请实施例的一种优选实施方式，如图4所示，所述基于连通区域分析对所述第一血管分割结果进行处理，以得到第二血管分割结果包括如下的步骤S401至步骤S403：
步骤S401，将所述第一血管分割结果根据血管区域连通性划分成多个连通区域。
具体实施时，在根据自适应阈值对血管进行分割后，会存在较多的细小的非连通的区域噪声，因此需要通过连通区域分析方法来剔除上述噪声，首先需要将血管初分割结果根据连通性划分成不同的多个连通区域。
步骤S402，根据每个所述连通区域的体积对多个所述连通区域进行排序，以确定最大连通区域。
具体实施时，根据每个连通区域的体积将所有连通区域进行排序，保留最大的连通区域。
步骤S403，将所述最大连通区域中的体素设置为血管体素，并将所述最大连通区域以外的其余连通区域中的体素设置为背景体素，以得到所述第二血管分割结果。
具体实施时，将上述最大连通区域中的体素设置为血管体素，同时将其余连通区域的体素都视为背景体素，这样就得到了血管精细分割结果。
作为本申请实施例的一种优选实施方式，如图5所示，所述对所述第一血管分割结果进行连通区域分析，以得到第二血管分割结果之后包括如下的步骤S501至步骤S502：
步骤S501，将所述血管分割预测概率图进行全局阈值分割，以得到血管分割全局阈值图。
具体实施时，基于自适应阈值的血管分割方法通常在恢复断裂血管的同时会使得生成的血管末端尾部变长，甚至产生一些并不存在的末端分支血管。为了移除这些末端分支血管，还需要将上述血管分割预测概率图进行全局阈值分割得到血管分割全局阈值图，以作为末端分支血管移除的基础。
步骤S502，将所述第二血管分割结果与所述血管分割全局阈值图进行比较，以确定所述第二血管分割结果中的新增血管段。
具体实施时，将上述基于自适应阈值得到的血管精细分割结果和基于全局阈值分割的血管分割结果进行比较，进而可以得到多条基于自适应阈值方法新引入的血管段，通过对这些新引入的血管段进行分析处理以进一步完善上述血管分割结果。
作为本申请实施例的一种优选实施方式，如图6所示，所述基于连通区域分析对所述第一血管分割结果进行处理，以得到第二血管分割结果之后包括如下的步骤S601至步骤S603：
步骤S601，根据所述第二血管分割结果，获取新增血管段。
具体实施时，基于自适应阈值的血管分割方法通常在恢复断裂血管的同时会产生一些并不存在的末端分支血管。因此为了移除这些末端分支血管，首先需要获取新引入的血管段，以判断新增血管段是否是由于采用自适应阈值方法而新产生的末端分支血管。
步骤S602，对所述新增血管段的端点进行分析，以得到断裂血管段和末端分支血管段。
具体实施时，对这些新增血管段逐一进一步分析，如果血管段两端点周围都属于血管精细化结果中的血管区域，则认为该血管段属于断裂的血管段，予以保留。如果血管段两端点仅有一端属于血管精细化结果中的血管区域，则认为该血管段属于末端引入的分支血管，予以移除。
步骤S603，将所述末端分支血管段在所述第二血管分割结果中移除，以得到血管断裂修复结果。
具体实施时，将上述得到的血管精细分割结果中的末端分支血管予以移除，对应的体素设置为背景体素即可得到最终的血管分割结果。
从以上的描述中，可以看出，本发明实现了如下技术效果：采用基于预测模型，输出血管分割预测概率图；根据所述血管分割预测概率图中体素的自适应阈值，获取血管分割自适应阈值图；将所述血管分割预测概率图与所述血管分割自适应阈值图进行比较，以得到第一血管分割结果的方式，通过基于连通区域分析对所述第一血管分割结果进行处理，以得到第二血管分割结果，达到了基于自适应阈值进行血管分割的目的，从而实现了对断裂血管进行修复，提高血管分割准确率的技术效果。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
根据本发明实施例，还提供了一种用于实施上述用于血管断裂修复的图像处理方法的装置，如图7所示，该装置包括：输出模块1，用于基于预测模型，输出血管分割预测概率图；第一获取模块2，用于根据所述血管分割预测概率图中体素的自适应阈值，获取血管分割自适应阈值图；第一比较模块3，用于将所述血管分割预测概率图与所述血管分割自适应阈值图进行比较，以得到第一血管分割结果，其中所述第一血管分割结果作为初分割结果；处理模块4，用于基于连通区域分析对所述第一血管分割结果进行处理，以得到第二血管分割结果，其中所述第二血管分割结果作为最终分割结果。
作为本申请实施例的一种优选实施方式，所述第一获取模块包括：计算单元，用于分别以所述血管分割预测概率图中的每个所述体素为中心，计算每个所述体素对应的预设区域内的平均灰度值；第一比较单元，用于将每个所述体素对应的平均灰度值与预设阈值进行比较，以得到所述血管分割自适应阈值图。
作为本申请实施例的一种优选实施方式，所述第一比较模块包括：第二比较单元，用于将所述血管分割预测概率图与所述血管分割自适应阈值图进行逐体素比较；标记单元，用于根据比较结果，将所述血管预测概率图中的体素分别标记为血管体素或背景体素，以作为所述第一血管分割结果。
作为本申请实施例的一种优选实施方式，所述处理模块包括：划分单元，用于将所述第一血管分割结果根据血管区域连通性划分成多个连通区域；排序单元，用于根据每个所述连通区域的体积对多个所述连通区域进行排序，以确定最大连通区域；设置单元，用于将所述最大连通区域中的体素设置为血管体素，并将所述最大连通区域以外的其余连通区域中的体素设置为背景体素，以得到所述第二血管分割结果。
作为本申请实施例的一种优选实施方式，所述装置还包括：分割模块，用于将所述血管分割预测概率图进行全局阈值分割，以得到血管分割全局阈值图；第二比较模块，用于将所述第二血管分割结果与所述血管分割全局阈值图进行比较，以确定所述第二血管分割结果中的新增血管段。
作为本申请实施例的一种优选实施方式，所述装置还包括：第二获取模块，用于根据所述第二血管分割结果，获取新增血管段；分析模块，用于对所述新增血管段的端点进行分析，以得到断裂血管段和末端分支血管段；移除模块，用于将所述末端分支血管段在所述第二血管分割结果中移除，以得到血管断裂修复结果。
上述各模块及各单元之间的具体连接关系及所发挥的功能请参照方法部分的具体描述，在此不做赘述。
根据本发明实施例，还提供了一种计算机设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如前所述的方法。
根据本发明实施例，还提供了一种计算机可读存储介质，其上存储有计算机指令，所述指令被处理器执行时实现如前所述方法的步骤。
如图8所示，该电子设备包括一个或多个处理器31以及存储器32，图8中以一个处理器33为例。
控制单元还可以包括：输入装置33和输出装置34。
处理器31、存储器32、输入装置33和输出装置34可以通过总线或者其他方式连接，图8中以通过总线连接为例。
处理器31可以为中央处理器(Central Processing Unit，CPU)。处理器31还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器32作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。处理器31通过运行存储在存储器32中的非暂态软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的用于血管断裂修复的图像处理方法。
存储器32可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据服务器操作的处理装置的使用所创建的数据等。此外，存储器32可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器32可选包括相对于处理器31远程设置的存储器，这些远程存储器可以通过网络连接至网络连接装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置33可接收输入的数字或字符信息，以及产生与服务器的处理装置的用户设置以及功能控制有关的键信号输入。输出装置34可包括显示屏等显示设备。
一个或者多个模块存储在存储器32中，当被一个或者多个处理器31执行时，执行如前所述的方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机指令用于使所述计算机执行用于血管断裂修复的图像处理方法。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后，本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种用于血管断裂修复的图像处理方法，其特征在于，包括：
基于预测模型，输出血管分割预测概率图；
根据所述血管分割预测概率图中体素的自适应阈值，获取血管分割自适应阈值图；
将所述血管分割预测概率图与所述血管分割自适应阈值图进行比较，以得到第一血管分割结果，其中所述第一血管分割结果作为初分割结果；
基于连通区域分析对所述第一血管分割结果进行处理，以得到第二血管分割结果，其中所述第二血管分割结果作为最终分割结果；
所述根据所述血管分割预测概率图中体素的自适应阈值，获取血管分割自适应阈值图包括：
分别以所述血管分割预测概率图中的每个所述体素为中心，计算每个所述体素对应的预设区域内的平均灰度值；
将每个所述体素对应的平均灰度值与预设阈值进行比较，以得到所述血管分割自适应阈值图；
所述将所述血管分割预测概率图与所述血管分割自适应阈值图进行比较，以得到第一血管分割结果包括：
将所述血管分割预测概率图与所述血管分割自适应阈值图进行逐体素比较；
根据比较结果，将所述血管分割预测概率图中的体素分别标记为血管体素或背景体素，以作为所述第一血管分割结果；
所述基于连通区域分析对所述第一血管分割结果进行处理，以得到第二血管分割结果包括：
将所述第一血管分割结果根据血管区域连通性划分成多个连通区域；
根据每个所述连通区域的体积对多个所述连通区域进行排序，以确定最大连通区域；
将所述最大连通区域中的体素设置为血管体素，并将所述最大连通区域以外的其余连通区域中的体素设置为背景体素，以得到所述第二血管分割结果。
2.根据权利要求1所述的用于血管断裂修复的图像处理方法，其特征在于，所述基于连通区域分析对所述第一血管分割结果进行处理，以得到第二血管分割结果之后包括：
将所述血管分割预测概率图进行全局阈值分割，以得到血管分割全局阈值图；
将所述第二血管分割结果与所述血管分割全局阈值图进行比较，以确定所述第二血管分割结果中的新增血管段；所述新增血管段为基于自适应阈值方法新引入的血管段。
3.根据权利要求1所述的用于血管断裂修复的图像处理方法，其特征在于，所述第二血管分割结果为基于自适应阈值得到的血管精细分割结果；所述基于连通区域分析对所述第一血管分割结果进行处理，以得到第二血管分割结果之后包括：
根据所述第二血管分割结果，获取新增血管段包括：将基于自适应阈值得到的血管精细分割结果和基于全局阈值分割的血管分割结果进行比较，得到多条基于自适应阈值方法新引入的血管段；
对所述新增血管段的端点进行分析，以得到断裂血管段和末端分支血管段；
将所述末端分支血管段在所述第二血管分割结果中移除，以得到血管断裂修复结果。
4.一种用于血管断裂修复的图像处理装置，其特征在于，包括：
输出模块，用于基于预测模型，输出血管分割预测概率图；
第一获取模块，用于根据所述血管分割预测概率图中体素的自适应阈值，获取血管分割自适应阈值图；
第一比较模块，用于将所述血管分割预测概率图与所述血管分割自适应阈值图进行比较，以得到第一血管分割结果，其中所述第一血管分割结果作为初分割结果；
处理模块，用于基于连通区域分析对所述第一血管分割结果进行处理，以得到第二血管分割结果，其中所述第二血管分割结果作为最终分割结果；
所述第一获取模块包括：
计算单元，用于分别以所述血管分割预测概率图中的每个所述体素为中心，计算每个所述体素对应的预设区域内的平均灰度值；
第一比较单元，用于将每个所述体素对应的平均灰度值与预设阈值进行比较，以得到所述血管分割自适应阈值图；
所述将所述血管分割预测概率图与所述血管分割自适应阈值图进行比较，以得到第一血管分割结果包括：
将所述血管分割预测概率图与所述血管分割自适应阈值图进行逐体素比较；
根据比较结果，将所述血管分割预测概率图中的体素分别标记为血管体素或背景体素，以作为所述第一血管分割结果；
所述基于连通区域分析对所述第一血管分割结果进行处理，以得到第二血管分割结果包括：
将所述第一血管分割结果根据血管区域连通性划分成多个连通区域；
根据每个所述连通区域的体积对多个所述连通区域进行排序，以确定最大连通区域；
将所述最大连通区域中的体素设置为血管体素，并将所述最大连通区域以外的其余连通区域中的体素设置为背景体素，以得到所述第二血管分割结果。
5.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至3中任一项所述的方法。
6.一种非暂态可读存储介质，其特征在于，其上存储有计算机指令，所述指令被处理器执行时实现如权利要求1至3中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911271874.XA CN111383191B (zh) | 2019-12-11 | 2019-12-11 | 用于血管断裂修复的图像处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911271874.XA CN111383191B (zh) | 2019-12-11 | 2019-12-11 | 用于血管断裂修复的图像处理方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111383191A CN111383191A (zh) | 2020-07-07 |
| CN111383191B true CN111383191B (zh) | 2024-03-08 |
Family
ID=71219672
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911271874.XA Active CN111383191B (zh) | 2019-12-11 | 2019-12-11 | 用于血管断裂修复的图像处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111383191B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112308823B (zh) * | 2020-10-14 | 2024-03-15 | 杭州三坛医疗科技有限公司 | 医学图像中感兴趣区域的定位方法及装置 |
| CN113610841B (zh) * | 2021-08-26 | 2022-07-08 | 首都医科大学宣武医院 | 一种血管异常图像识别方法、装置、电子设备和存储介质 |
| CN114708282B (zh) * | 2022-04-20 | 2022-12-20 | 推想医疗科技股份有限公司 | 图像分割方法及其装置、电子设备和计算机可读存储介质 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105701799A (zh) * | 2015-12-31 | 2016-06-22 | 东软集团股份有限公司 | 从肺部掩膜影像中分割肺血管的方法和装置 |
| CN105787958A (zh) * | 2016-05-20 | 2016-07-20 | 东南大学 | 一种基于三维Zernike矩的肾脏动脉CT造影图像血管分割方法 |
| CN106611413A (zh) * | 2016-11-30 | 2017-05-03 | 上海联影医疗科技有限公司 | 图像分割方法及其系统 |
| CN106651846A (zh) * | 2016-12-20 | 2017-05-10 | 中南大学湘雅医院 | 视网膜血管图像的分割方法 |
| CN106780497A (zh) * | 2016-11-28 | 2017-05-31 | 重庆大学 | 一种基于统计信息的器官血管树自动提取方法 |
| CN107788950A (zh) * | 2017-09-30 | 2018-03-13 | 浙江大学 | 基于自适应阈值分割的血流成像方法与系统 |
| CN108269263A (zh) * | 2018-01-19 | 2018-07-10 | 北京工业大学 | 一种基于ct图像的肝脏血管三维分割方法 |
| CN109166107A (zh) * | 2018-04-28 | 2019-01-08 | 北京市商汤科技开发有限公司 | 一种医学图像分割方法及装置、电子设备和存储介质 |
| CN109522842A (zh) * | 2018-11-16 | 2019-03-26 | 中国民航大学 | 一种基于手指静脉图像的血管网络修复方法 |
| CN109801308A (zh) * | 2018-12-28 | 2019-05-24 | 西安电子科技大学 | 粘连类圆形目标图像的分割方法 |
| CN109903298A (zh) * | 2019-03-12 | 2019-06-18 | 数坤（北京）网络科技有限公司 | 血管分割图像断裂的修复方法、系统和计算机存储介质 |
| CN109919935A (zh) * | 2019-03-12 | 2019-06-21 | 语坤（北京）网络科技有限公司 | 一种头颈体血管分割方法及设备 |
| CN110046646A (zh) * | 2019-03-07 | 2019-07-23 | 深圳先进技术研究院 | 图像处理方法、系统、计算设备及存储介质 |
| CN110309849A (zh) * | 2019-05-10 | 2019-10-08 | 腾讯医疗健康(深圳)有限公司 | 血管图像处理方法、装置、设备及存储介质 |
| CN110517264A (zh) * | 2019-09-03 | 2019-11-29 | 武汉市中心医院 | 一种基于血管分割的病灶提取方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7983459B2 (en) * | 2006-10-25 | 2011-07-19 | Rcadia Medical Imaging Ltd. | Creating a blood vessel tree from imaging data |
-
2019
- 2019-12-11 CN CN201911271874.XA patent/CN111383191B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105701799A (zh) * | 2015-12-31 | 2016-06-22 | 东软集团股份有限公司 | 从肺部掩膜影像中分割肺血管的方法和装置 |
| CN105787958A (zh) * | 2016-05-20 | 2016-07-20 | 东南大学 | 一种基于三维Zernike矩的肾脏动脉CT造影图像血管分割方法 |
| CN106780497A (zh) * | 2016-11-28 | 2017-05-31 | 重庆大学 | 一种基于统计信息的器官血管树自动提取方法 |
| CN106611413A (zh) * | 2016-11-30 | 2017-05-03 | 上海联影医疗科技有限公司 | 图像分割方法及其系统 |
| CN106651846A (zh) * | 2016-12-20 | 2017-05-10 | 中南大学湘雅医院 | 视网膜血管图像的分割方法 |
| CN107788950A (zh) * | 2017-09-30 | 2018-03-13 | 浙江大学 | 基于自适应阈值分割的血流成像方法与系统 |
| CN108269263A (zh) * | 2018-01-19 | 2018-07-10 | 北京工业大学 | 一种基于ct图像的肝脏血管三维分割方法 |
| CN109166107A (zh) * | 2018-04-28 | 2019-01-08 | 北京市商汤科技开发有限公司 | 一种医学图像分割方法及装置、电子设备和存储介质 |
| CN109522842A (zh) * | 2018-11-16 | 2019-03-26 | 中国民航大学 | 一种基于手指静脉图像的血管网络修复方法 |
| CN109801308A (zh) * | 2018-12-28 | 2019-05-24 | 西安电子科技大学 | 粘连类圆形目标图像的分割方法 |
| CN110046646A (zh) * | 2019-03-07 | 2019-07-23 | 深圳先进技术研究院 | 图像处理方法、系统、计算设备及存储介质 |
| CN109903298A (zh) * | 2019-03-12 | 2019-06-18 | 数坤（北京）网络科技有限公司 | 血管分割图像断裂的修复方法、系统和计算机存储介质 |
| CN109919935A (zh) * | 2019-03-12 | 2019-06-21 | 语坤（北京）网络科技有限公司 | 一种头颈体血管分割方法及设备 |
| CN110309849A (zh) * | 2019-05-10 | 2019-10-08 | 腾讯医疗健康(深圳)有限公司 | 血管图像处理方法、装置、设备及存储介质 |
| CN110517264A (zh) * | 2019-09-03 | 2019-11-29 | 武汉市中心医院 | 一种基于血管分割的病灶提取方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 梁礼明 ; 黄朝林 ; 石霏 ; 吴健 ; 江弘九 ; 陈新建 ; .融合形状先验的水平集眼底图像血管分割.计算机学报.2016,(07),第250-264页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111383191A (zh) | 2020-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10970844B2 (en) | Image segmentation method and device, computer device and non-volatile storage medium | |
| CN111383191B (zh) | 用于血管断裂修复的图像处理方法及装置 | |
| CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
| JP5521164B2 (ja) | 連続して存在する英数字を識別するための画像処理システムおよびその方法 | |
| CN111145209B (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
| CN109416749B (zh) | 一种图像的灰阶分类方法、装置以及可读存储介质 | |
| CN109740553B (zh) | 一种基于识别的图像语义分割数据筛选方法及系统 | |
| CN111696064B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
| EP4432215A1 (en) | Image processing method and device | |
| CN113763371B (zh) | 病理图像的细胞核分割方法及装置 | |
| CN111223083A (zh) | 表面划痕检测神经网络的构建方法、系统、装置及介质 | |
| CN109118494B (zh) | 一种基于凹点匹配的重叠区域分割方法及装置 | |
| CN111882565A (zh) | 一种图像二值化方法、装置、设备及存储介质 | |
| CN113658196B (zh) | 红外图像中船舶的检测方法、装置、电子设备和介质 | |
| CN113780578B (zh) | 模型训练方法、装置、电子设备及可读存储介质 | |
| CN113052162B (zh) | 一种文本识别方法、装置、可读存储介质及计算设备 | |
| CN112966687B (zh) | 图像分割模型训练方法、装置及通信设备 | |
| CN110110474B (zh) | 一种基于金相图片的材料微结构几何模型建立方法 | |
| CN117557777A (zh) | 一种样本图像确定方法、装置、电子设备以及存储介质 | |
| CN115690143B (zh) | 图像分割方法、装置、电子设备及存储介质 | |
| CN114820666B (zh) | 一种增加抠图精确度的方法、装置、计算机设备及存储介质 | |
| CN114298992B (zh) | 一种视频帧去重方法、装置、电子设备及存储介质 | |
| CN115482248A (zh) | 图像分割方法、装置、电子设备及存储介质 | |
| CN113628192B (zh) | 图像模糊检测方法、装置、设备、存储介质及程序产品 | |
| CN111986176B (zh) | 一种裂纹图像识别方法、系统、终端及可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |